树状数组

本文介绍了一种称为树状数组的数据结构,并通过一个简单的实现案例对比了其与线段树的区别。树状数组适用于单点更新及前缀和查询等操作,文中提供了具体的Pascal代码示例,包括修改和查询功能。

树状数组就线段树来说 无法进行区间修改和求最值

program pro;
type mine=array[0..100000]of longint;
var
        n,m:longint;
        a,b:mine;
        st,i,j,x,y:longint;

function f(xx:longint):longint;
begin
        exit(xx and (-xx));
end;

procedure plus(var sz:mine; xx:longint);//修改
var     tmp:longint;

begin
        while (xx<=n) do
        begin
                inc(sz[xx]);
                inc(xx,f(xx));
        end;
end;

function sum(var sz:mine; xx:longint):longint;//求和
var     tot:longint;
begin
        tot:=0;
        while xx>0 do
        begin
                inc(tot,sz[xx]);
                dec(xx,f(xx));
        end;
        exit(tot);
end;

begin
        readln(n,m);
        for i:=1 to m do
        begin
                read(st,x,y);
                if st=1 then
                begin
                        plus(a,x);
                        plus(b,y);
                end
                else
                begin
                        writeln(sum(a,y)-sum(b,x-1));
                end;
        end;
end.



内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值